Главная » » Комплекс, основанный на генетическом алгоритм
21:04
Комплекс, основанный на генетическом алгоритм
Представляет собой сложную компьютерную числовых параметров пассивных фильтров нового метода, во-первых, чтобы решить проблему параметров схемы в математические показатели модели оптимизации производительности, а затем получить характеристики генетического алгоритма для удовлетворения требований значения схема параметров, численные Эксперименты показывают, что этот метод является эффективным.
Пассивные фильтры в электронных технологий имеет широкий спектр применения. Заявки на комплекс пассивных фильтров часто легко определить структуру, Параметрирование очень трудно. Причина: структура состав компонентов резисторы, конденсаторы, катушки индуктивности большое количество, частотные характеристики и устройство параметры отношения нелинейной функции высшего порядка, в-частотных характеристик высокая степень связи существует , так что для достижения цели частотных характеристик хорошего дизайна, независимо от экспериментальных или обычными средствами математических инструментов не требуется тратить много времени и усилий.
В последние годы, моделирование биологической эволюции генетического алгоритма как эффективный подход для решения задач оптимизации и много внимания. Как Томас Назад, который отметил, что 1 , по сравнению с другими методами, преимущество: иметь дело с проблемой гибкость, адаптивность, устойчивость, можно добиться глобального решения, низкий спрос на модели, предназначенные для различных задач различных генетических Алгоритм может не только улучшить качество существующих оптимального решения, но и преодолеть некоторые трудности в задаче оптимизации.
В этой статье, применение генетических алгоритмов в качестве отправной точки, новый метод проектирования пассивных параметров фильтра. Он может эффективно преодолеть эти трудности конструктивных параметров пассивных фильтров очень легко добраться, чтобы встретить требования к рабочим характеристикам значение параметра дизайна.
Оптимизация модели
Типичные пассивных фильтрующих элементов схемы обычно связаны Т-образная структура, показанная на рисунке 1. Частотные характеристики фильтра функция передачи могут быть определены, а именно:
Где, X = [x1, x2,. . . , Xn], цепи компонента значения для матрицы, п общее число компонентов, W является частота. Если X известно, частота дискретизации точке, соответствующей частотные характеристики Wi Ли может быть рассчитана следующим образом:
Пусть I1 = IL = 0,1,
V1 = ILRL +0 = Л.
I2 = V1Y1 + IL
V3 = I2Z2 + V1
V2n +1 = I2nZ2n + V2n-1
I2n +2 = V2n +1 +1 + Y2n I2n
Es = RsI2n +2 + V2n +1
Полученные с простой итерационный Es процесс, в (1) может быть получена Ли.
Фильтр структура известна, в первую очередь определяет параметры структуры диапазона, выбор условия могут быть более расслабленным, а затем нажмите требуемую требований к производительности, выберите соответствующие частоты дискретизации W1, W2,. . . Требовать передачи функции, соответствующей пороговой амплитуды, заставляя его через отбора проб корректируется с учетом требований пределы диапазона (больше и меньше или диапазон). В результате новых конструктивных параметров X *, который предназначен для удовлетворения ожидаемого исполнения значение. Для получения X *, установить следующие модели оптимизации:
Где, X имеет значения, определенные ранее, T = [T1, T2,. . . ] Для порогового значения амплитуды матрицы, S = [S1, S2,. . . ] Является весовой коэффициент матрицы, U = [U1, U2,. . . ] Маржи матрицы, XL, Сюй, соответственно, верхнего и нижнего пределов для матрицы проектных параметров. даже степень р, т общее число точек отбора проб, Ri называется остаточной ошибки, конкретные выражения:
Нижняя граница Ri = Si × Мин (+ [Li-Ti]-UI, 0)
Верхняя граница Ri = Si × Мин (- [Li-Ti]-UI, 0)
Очевидно, что, когда есть решение X, чтобы сделать наиболее часов функции F, значение Ли должны быть в состоянии контролировать требования в диапазоне от Ti, так что частотные характеристики для достижения цели, поэтому решение можно рассматривать как X *.
Оптимальное решение модель 2
Генетический алгоритм является высокий спрос оптимальный алгоритм, он сначала случайно генерировать множество возможных решений X (решение называется "хромосомы", конкретный набор решений, известная как "население", решение переменная называется "ген" ), а затем использовать процесс биологической эволюции (например, изменение хромосом крест , т.п.) продолжать совершенствовать качество решения, и, наконец, получить оптимальное решение. Генетические алгоритмы имеют два важных параметра управления - скорость кроссовера и мутации Pm ПК на скорость сходимости имеет большое влияние на литературу [3] используется для определения постоянной ПК и Pm и данная статья, число поколений непрерывно увеличивается с автоматическим скорректирована ПК и ТЧ. Цель этого: на ранних этапах эволюции, различия среди населения в целом, больше, кросс-курс является высоким и частоту мутаций мало поможет ускорить сближение, а в эволюции позже, малой скоростью кроссовера и мутации высока, чтобы предотвратить преждевременное в местные Наиболее преимущества. Следующей формуле:
ПК (GEN) = Pc (Быт-1) - [ПК (0) -0,3] / MAXGEN
Pm (GEN) = Рт (Gen-1) + [0,3-Рт (0) / MAXGEN
Какие, вообще, что число поколений, MAXGEN, что максимальное число поколений, конкретного алгоритма заключается в следующем:
Шаг 1, установить глобальные параметры
Учитывая POP_SIZE (население), ПК (0), Pm (0), MAXGEN и дизайн размера или сферы число dcnt.
Шаг 2, население поколения и начало
Пусть число поколений поколения = 1. Конструктивных параметров в качестве переменных, форма матрицы X = [X1, X2,. . . ,] Хп. Первое поколение население составляло от POP_SIZE хромосом, каждая хромосома генов (то есть конструктивные параметры) в диапазоне параметров в рамках каждого генерируется случайным образом.
Шаг 3, хромосомы оценки
Для оценки поколение плюсы и минусы Х-хромосомы из поколения в поколение, создание хромосомы приспособляемость оценки функции EVAL (X):
EVAL (X) = {F (X, T, S, U), если X удовлетворяет ограничениям М, М большое положительное число, когда X не удовлетворяет ограничениям
На этот вопрос, функции оценки, как это возможно.
Шаг 4, генетических манипуляций
Генетические манипуляции часто крест, мутации, выбор из трех (2).
Гена Креста: Кросс-счетчик расположен ccnt = 0, из [0,1] случайные номера, созданного в рамках РК (К = 1,2 ,..., POP_SIZE), если РК <рс (GEN), то выбор, чтобы использовать для кросс-Xk ; пары хромосом в следующих кросс-операций по пересечению:
Где Х, XI в паре хромосом, Х ', Х', после кросс-хромосомы. р к случайно выбранным перекрестной слот для получения числа операций кроссовера хромосом в записанных ccnt.
Генная мутация: Мутация Counter расположен mcnt = 0, из [0,1] случайные номера, созданного в рамках РК (К = 1, 2 ,..., N × POP_SIZE + ccnt п х), если РК <Pm (GEN), то K-генная мутация, и mcnt = mcnt +1. Новый ген Xk "случайно сгенерированных в интервале [(1-α) Xk, (1 + α) Xk], где 1 ≤ я ≤ POP_SIZE, α [0,1] выбранного диапазона постоянная.
Хромосома выбора: расчет новые хромосомы Хп 'из EVAL функции оценки (Хп') (п = 1,2 ,..., ccnt + mcnt хромосомы родителей и Хп EVAL функции оценки Xn N = 1 2 .. . POP_SIZE , расположенных в соответствии с размером адаптации для выбора одного из наиболее адаптированы POP_SIZE хромосомы представляют собой новое поколение населения и удержать лучших хромосом в процессе V *, процесс, известный как "выживание наиболее приспособленных" выбор.
Шаг 5, один конец процесса, чтобы определить
При F <Er, когда (Er для небольшого числа класса значения, X *= V *, * выход X, обратиться к пункту 6.
Когда F ≤ Er и водорода ≥ MAXGEN время, ген = водорода +1, вернитесь к шагу 3.
Когда F ≥ Er и водорода ≥ MAXGEN время, вернитесь к пункту 2.
Шаг 6, конца весь процесс судейства
dcnt = dcnt-1, когда dcnt> 0, вернитесь к пункту 2, в противном случае остановить.
3 случаях численных экспериментов
Рисунок 2 показывает пассивный фильтр цепи вдоль прохода, полоса пропускания требуется 950 ~ 1050 рад / с между ними. По этой причине каждый 5 рад / с для отбора проб, частота дискретизации более 0,85 пунктов; множество низких частот частота среза 800 рад / с, диапазон меньше 1e-5; высокой частоты частоты среза 1300rad / с, Скорость меньше 1e-5. Оптимизация модели установить следующее:
С. Т. XL = [0,0,. . . , 0] <X <= XU [18,18,. . . , 18]
R1 = 10 × Мин (+ [1.0e-5-L1] -0.0,0), соответствующие W1 = 800rad / с
Rj = 1,0 × Мин (+ [Lj-0,85] -0.05,0), J = 2,3, . . . , 22, что соответствует Wj = (5 × J +940) рад / с
R23 = 10 × Мин (+ [1.0e-5-L23] -0.0,0), соответствующие W23 = 1300rad / с
В NEC4800/210 Ⅱ станции завершения алгоритма. Алгоритм набора параметров Er = 1e-6, α = 0,1, Pc = Pc (0) = 0,6, Рт (0) = 0,1, POP_SIZE = 40, MAXGEN = 2000, язык программирования для UNIX- С. dcnt 10, расчетное значение на 10 групп, все делают частотные характеристики соответствуют требованиям. Среднее число поколений 1508 поколение, среднее время 9.8min. Один результатов группы:
Нажмите здесь, чтобы параметр дизайн, частота фильтра для более полного удовлетворения ожидаемых потребностей, как показано на рисунке 3.
Эта статья анализирует проектировании пассивных параметров фильтра из основных причин трудностей. Обычно используется для пассивной схема фильтра, для вычисления частотных характеристик метод простой итерации, и достижения целей, необходимых для решения значение параметра модели оптимизации конструкции превращается в процесс решения, так что трудно описать и решить оригинальным дизайном Проблема становится ясна и проста.
В генетический алгоритм, мы не копия предыдущего метода [3], например, решение с минимальными требованиями целевой функции в движущей силы эволюции, а не намеренно получить оптимальное решение, не только сокращает время вычислений, но также обеспечивают различные варианты для дизайнеров. Генетическая изменчивость в фазе используется как центр текущей вокруг генной мутации, отличается от обычного диапазона изменения переменной методом. Центр закон дрейфа непрерывно гибким, процесс решения на две крайности, а именно, чтобы быстро найти подходящее решение или в мертвой зоне - никогда не найти решения. Мы устанавливаем максимальное число поколений для ликвидации последней возможности, общей эффективности. Закон эффективно преодолеть трудности проектировании пассивных параметров фильтра, универсальную ценность и значимость. Основная идея и принцип может быть также электрические, электронные, автоматизации и других более сложных конструктивных параметров система широко используется.
